候选任务工作者声誉值的确定方法技术

本申请适用于联邦学习技术领域，提供了一种候选任务工作者声誉值的确定方法，通过确定当前任务发布者，联邦学习系统根据联邦学习任务完成情况，获取所有任务发布者对候选任务工作者的直接声誉值，再根据其他任务发布者对当前任务发布者的评分权重，计算候选任务工作者的间接声誉值，结合直接声誉值和间接声誉值，计算所有任务发布者对候选任务工作者的综合声誉值，再计算所有任务发布者的可靠度并将其作为综合声誉值的可信度，最后根据综合声誉值和综合声誉值的可信度，利用BUI聚合模型计算候选任务工作者的最终声誉值。本申请能够有效的避免恶意任务发布者与不可靠任务工作者相互串通，提高候选任务工作者声誉值的准确度。提高候选任务工作者声誉值的准确度。提高候选任务工作者声誉值的准确度。

【技术实现步骤摘要】
候选任务工作者声誉值的确定方法


[0001]本申请属于联邦学习
，尤其涉及一种候选任务工作者声誉值的确定方法。

技术介绍

[0002]联邦学习是一种新兴的人工智能基础技术，它支持使用来自大规模节点(如移动设备)的本地数据集进行分布式模型训练，但只共享模型更新，而不上传原始训练数据。该技术提供了良好的隐私保护，同时保证了较高的学习性能。尽管联邦学习具有上述这些好处和广阔的应用前景，但仍存在一些关键的挑战，诸如现有的工作主要集中在设计先进的学习算法，以达到更好的学习性能。然而参与培训的可靠联邦学习的任务工作者(即移动设备)选择方案等挑战尚未得到探索。因此，防御这种有意或无意的不可靠的局部模型更新对于联邦学习是至关重要的。
[0003]研究表明，任务工作者故意发送恶意更新以及任务工作者可能会无意地更新一些低质量的参数都会影响全局模型参数。在这些理论和研究的推动下，联邦学习中引入了声誉作为一个公平的度量来选择可靠的任务工作者进行联合学习，以抵御移动网络中不可靠的模型更新。目前，现有方案主要是通过多权重主观逻辑模型和联盟区块链的结合选择可靠和可信任务工作者。联邦学习运用多权重主观逻辑模型来生成任务工作者候选人的综合声誉值，多权重主观逻辑是一个广泛采用的概率推理框架:每个任务发布者将其直接声誉意见和间接声誉意见相结合，为任务工作候选人生成综合声誉价值。联盟区块链以分散的方式管理声誉，保证精确的信誉计算，从而显著提高学习精度。
[0004]尽管这些方法在选择可靠和可信的任务工作者方面取得了一些进展，但仍存在一定的局限性。例如很多方法没有考虑恶意任务发布者的检测，这将导致恶意任务发布者能与不可靠任务工作者相互串通共同影响数据的准确性。
[0005]综上，联邦学习存在候选任务工作者声誉值求值不够准确的问题。

技术实现思路

[0006]本申请实施例提供了一种候选任务工作者声誉值的确定方法，可以解决联邦学习中候选任务工作者声誉值求值不够准确的问题。
[0007]本申请实施例提供了一种候选任务工作者声誉值的确定方法，应用于联邦学习系统，包括：在候选任务工作者完成联邦学习系统的联邦学习任务后，将联邦学习系统中所有任务发布者中的任一者作为当前任务发布者；根据联邦学习任务的完成情况，获取所有任务发布者对候选任务工作者的直接声誉值；根据其他任务发布者对当前任务发布者的评分权重，计算候选任务工作者的间接声誉值；
根据直接声誉值和间接声誉值，计算所有任务发布者对候选任务工作者的综合声誉值；计算所有任务发布者的可靠度，并将计算出的可靠度作为该可靠度对应的综合声誉值的可信度；根据所有任务发布者对候选任务工作者的综合声誉值以及对应的可信度，利用BUI聚合模型计算候选任务工作者的最终声誉值。
[0008]可选的，根据联邦学习任务的完成情况，获取所有任务发布者对候选任务工作者的直接声誉值，包括：通过计算公式通过计算公式通过计算公式得到所有任务发布者对候选任务工作者的直接声誉值，其中，表示任务发布者i对候选任务工作者j的直接声誉值，表示候选任务工作者j的正面互动事件数，正面互动事件数表示候选任务工作者j向任务发布者i返回可靠的本地模型的次数，表示候选任务工作者j的负面互动事件数，负面互动事件数表示候选任务工作者j向任务发布者i返回不可靠的本地模型的次数，表示任务发布者i对候选任务工作者j的直接声誉值信度，表示任务发布者i对候选任务工作者j的直接声誉值不信度，表示任务发布者i对候选任务工作者j的直接声誉值不确定度，表示直接声誉值不确定度的影响水平；，，，m表示任务发布者的总个数，表示候选任务工作者的总个数。
[0009]可选的，根据其他任务发布者对当前任务发布者的评分权重，计算候选任务工作者的间接声誉值，包括：通过计算公式通过计算公式通过计算公式通过计算公式得到候选任务工作者j的间接声誉值，其中，表示其他任务发布者y对候选任务工作者j的间接声誉值，表示其他任务发布者y对候选任务工作者j的间接声誉值信度，表示其他任务发布者y对候选任务工作者j的间接声誉值不信度，表示其他任务
发布者y对候选任务工作者j的间接声誉值不确定度，表示其他任务发布者y对当前任务发布者i的评分权重参数，，，，。
[0010]可选的，根据直接声誉值和间接声誉值，计算所有任务发布者对候选任务工作者的综合声誉值，包括：通过计算公式通过计算公式通过计算公式通过计算公式得到所有任务发布者对候选任务工作者j的综合声誉值，其中，表示任务发布者i对候选任务工作者j的综合声誉值，表示任务发布者i对候选任务工作者j的综合声誉值可信度，表示任务发布者i对候选任务工作者j的综合声誉值不可信度，表示任务发布者i对候选任务工作者j的综合声誉值不确定度，。
[0011]可选的，计算所有任务发布者的可靠度，包括：通过计算公式得到所有任务发布者的可靠度，其中，表示任务发布者i的可靠度，表示任务发布者i是否使用重复数据源，表示任务发布者i发布联邦学习任务的频率，表示任务发布者i是否长期给出不切实际的高分，均表示权重因子。
[0012]可选的，根据所有任务发布者对候选任务工作者的综合声誉值以及综合声誉值对应的可信度，利用BUI聚合模型计算候选任务工作者的最终声誉值，包括：将候选任务工作者j的最终声誉值转化成BUI二元组，其中，由所有任务发布者对候选任务工作者j的综合声誉值聚合而成，表示的可信度；利用区间转换函数将BUI二元组转化成区间值，得到和的第一表达式如下：其中，表示所有任务发布者对候选任务工作者j的综合声誉值的加权聚合函数，表示区间值的加权聚合函数，表示任务发布者i对候选任务工作者j的综合声誉值，，表示任务发布者i对候选任务工作者j的综合声誉值的可信度，，表示区间值，，，l表示区间的不确定度
函数；利用算术平均聚合函数对第一表达式进行处理，得到和的最终表达式如下：计算最终表达式，得到的值和的值，，；通过计算公式，得到候选任务工作者j的最终声誉值。
[0013]可选的，在计算所有任务发布者的可靠度，并将计算出的可靠度作为该可靠度对应的综合声誉值的可信度之后，本申请提供的候选任务工作者声誉值的确定方法，还包括：联邦学习系统将综合声誉值和综合声誉值的可信度存储在信誉区块链中。
[0014]本申请的上述方案有如下的有益效果：本申请的一些实施例中，联邦学习系统通过根据其他任务发布者对当前任务发布者的评分权重，计算候选任务工作者的间接声誉值，能够避免恶意任务发布者的干扰；通过计算所有任务发布者对候选任务工作者的综合声誉值，并用任务发布者的可靠度表示综合声誉值的可信度，结合BUI聚合模型计算候选任务工作者的最终声誉值，得到的最终声誉值的可信度，与所有任务发布者对候选任务工作者的综合声誉值以及所有任务发布者的可靠度共同聚合成的波动区间成反比，波动区间越大最终声誉值越小，从而能够有效的避免恶意任务发布者与不可靠任务工作者相互串通，提高候选任务工作者声誉值求值的准确性。
[0015]本申请的其它有益效果将在随后的具体实施方式部分予以详细说本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种候选任务工作者声誉值的确定方法，其特征在于，应用于联邦学习系统，所述确定方法包括：在候选任务工作者完成所述联邦学习系统的联邦学习任务后，将联邦学习系统中所有任务发布者中的任一者作为当前任务发布者；根据联邦学习任务的完成情况，获取所有任务发布者对所述候选任务工作者的直接声誉值；根据其他任务发布者对所述当前任务发布者的评分权重，计算所述候选任务工作者的间接声誉值；根据所述直接声誉值和所述间接声誉值，计算所有任务发布者对所述候选任务工作者的综合声誉值；计算所有任务发布者的可靠度，并将计算出的可靠度作为该可靠度对应的综合声誉值的可信度；根据所有任务发布者对所述候选任务工作者的综合声誉值以及综合声誉值对应的可信度，利用BUI聚合模型计算所述候选任务工作者的最终声誉值。2.根据权利要求1所述的确定方法，其特征在于，所述根据联邦学习任务的完成情况，获取所有任务发布者对所述候选任务工作者的直接声誉值，包括：通过计算公式通过计算公式通过计算公式得到所有任务发布者对候选任务工作者的直接声誉值，其中，表示任务发布者i对候选任务工作者j的直接声誉值，表示候选任务工作者j的正面互动事件数，正面互动事件数表示候选任务工作者j向任务发布者i返回可靠的本地模型的次数，表示候选任务工作者j的负面互动事件数，负面互动事件数表示候选任务工作者j向任务发布者i返回不可靠的本地模型的次数，表示任务发布者i对候选任务工作者j的直接声誉值信度，表示任务发布者i对候选任务工作者j的直接声誉值不信度，表示任务发布者i对候选任务工作者j的直接声誉值不确定度，表示直接声誉值不确定度的影响水平；，，，m表示任务发布者的总个数，表示候选任务工作者的总个数。3.根据权利要求2所述的确定方法，其特征在于，所述根据其他任务发布者对所述当前任务发布者的评分权重，计算所述候选任务工作者的间接声誉值，包括：
得到候选任务工作者j的间接声誉值，其中，表示其他任务发布者y对候选任务工作者j的间接声誉值，表示其他任务发布者y对候选任务工作者j的间接声誉值信度，表示其他任务发布者y对候选任务工作者j的间接声誉值不信度，表示其他任务发布者y对候选任务工作者j的间接声誉值不确定度，表示其...

【专利技术属性】
技术研发人员：杨艺，符静，杨俊丰，刘利枚，曹文治，张震，石彪，王言，
申请(专利权)人：湖南工商大学，
类型：发明
国别省市：